arXiv · 12.07.2026 ·Оркестрация агентов

GRADE: система адаптивной маршрутизации для оптимизации мультиагентных систем

Исследователи представили GRADE — иерархическую систему, решающую проблему избыточных вычислений в мультиагентных архитектурах. Вместо активации всех доступных моделей, GRADE использует четыре легковесных обучаемых гейта для динамического выбора агентов, определения глубины рассуждений и оценки целесообразности межкомпонентной коммуникации. Это позволяет значительно снизить затраты на инференс при сохранении высокой точности ответов в сложных задачах.

Традиционные мультиагентные системы часто страдают от неэффективного использования параметров, когда каждый запрос проходит через всю цепочку агентов, что неоправданно увеличивает стоимость и задержки. GRADE вводит механизм «адаптивной глубины», который позволяет системе самостоятельно решать, достаточно ли текущего уровня обработки данных или требуется привлечение более мощных и специализированных агентов для уточнения результата.

Метод фокусируется на трех ключевых аспектах: выборе наиболее подходящих агентов для конкретного запроса, определении необходимой глубины иерархического анализа и фильтрации коммуникаций между агентами. Такой подход превращает статичные цепочки вызовов в гибкую систему, которая оптимизирует ресурсы в реальном времени, минимизируя количество токенов, затрачиваемых на промежуточные этапы рассуждений.

Ключевые факты

GRADE использует четыре обучаемых гейта для управления маршрутизацией и глубиной обработки запросов.
Система минимизирует количество активных параметров, исключая избыточные вызовы агентов в мультиагентных ансамблях.
Механизм адаптивной глубины позволяет системе динамически определять, когда завершить процесс рассуждения.
Архитектура направлена на снижение стоимости инференса и уменьшение задержек в сложных иерархических системах.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Мультиагентные системы для многокритериальной оптимизации в динамических средах Исследователи представили новый подход к решению задач оптимизации в вычислительных и сетевых системах с помощью мультиагентных систем. Традиционные методы обучения с подкреплением часто сводят сложные задачи к минимизации единого скалярного вознаграждения, используя штрафные коэффициенты для учета ограничений. Однако такой подход оказывается недостаточно гибким в динамических условиях, где требования к производительности и затратам постоянно меняются. arXiv · Оркестрация агентов Метод GBC для оптимизации взаимодействия в мультиагентных системах Исследователи представили метод Gradient-Based Connections (GBC), направленный на решение проблемы координации в мультиагентных системах на базе LLM. В отличие от стандартных подходов с общим фидбеком, GBC позволяет реализовать гранулярное распределение ответственности между агентами. Это повышает эффективность выполнения сложных задач за счет более точной настройки взаимодействия и специализации ролей внутри системы. Hacker News · Оркестрация агентов Архитектурные подходы к построению мультиагентных систем для сложных задач Мультиагентные системы (MAS) становятся ключевым подходом для решения задач, требующих декомпозиции и итеративного выполнения. В отличие от монолитных LLM-приложений, MAS распределяют роли между специализированными агентами, что позволяет повысить точность обработки сложных запросов, минимизировать галлюцинации и эффективно управлять контекстным окном за счет разделения ответственности между узлами системы. Hacker News · Оркестрация агентов Переход от монолитных ИИ-агентов к композиции специализированных систем Вместо создания одного «раздутого» ИИ-агента, способного решать любые задачи, архитекторы систем переходят к композиции узкоспециализированных агентов. Такой подход позволяет повысить точность ответов, упростить отладку и снизить потребление токенов. Разделение ответственности между агентами, каждый из которых экспертен в своей предметной области, становится новым стандартом проектирования масштабируемых агентных систем. arXiv · Оркестрация агентов Оптимизация распределения вычислительных мощностей в иерархических поисковых агентах Исследователи проанализировали эффективность иерархических архитектур, где основной агент делегирует подзадачи специализированным моделям. Выяснилось, что использование моделей одинакового размера для всех ролей избыточно. Авторы предложили стратегию распределения вычислительных мощностей, при которой сложные задачи планирования требуют более крупных моделей, тогда как выполнение конкретных поисковых запросов и синтез ответов могут быть делегированы менее ресурсоемким системам без потери качества. arXiv · Машинное обучение Метод TRIAGE для точного распределения вознаграждения в агентном обучении Исследователи представили метод TRIAGE, который решает проблему неэффективного распределения кредита (credit assignment) в агентном обучении с подкреплением. В отличие от стандартного алгоритма GRPO, который оценивает только финальный результат, TRIAGE классифицирует действия агента по типам ролей. Это позволяет точнее определять вклад каждого шага — от навигации до редактирования — в итоговый успех, избегая наказания за полезные исследовательские действия. Hacker News · Инфраструктура для агентов Graft: единый декларативный подход к описанию ИИ-агентов Graft представила платформу для декларативного описания ИИ-агентов, позволяющую один раз определить логику работы агента и синхронизировать её между различными провайдерами моделей. Инструмент решает проблему фрагментации инфраструктуры, абстрагируя специфичные для конкретных API настройки и позволяя разработчикам гибко переключаться между LLM без необходимости переписывать код или менять конфигурацию под каждого вендора. Hacker News · Оркестрация агентов Mixture of Actors: новый подход к масштабированию агентных систем Концепция Mixture of Actors (MoA) предлагает архитектурное решение для повышения производительности ИИ-агентов через динамическую маршрутизацию задач между специализированными моделями. Вместо использования одной универсальной LLM, система распределяет запросы между пулом агентов, оптимизируя точность ответов и снижая вычислительные затраты за счет выбора наиболее подходящего исполнителя для конкретного типа подзадачи в реальном времени. Hacker News · Оркестрация агентов Концепция Active Group и развитие агентной инженерии Концепция Active Group предлагает новый подход к проектированию агентных систем, переходя от простых цепочек вызовов к динамическим структурам, способным к самоорганизации. Метод фокусируется на «агентной инженерии», где архитектура системы строится вокруг автономных групп, взаимодействующих через четко определенные протоколы, что позволяет повысить надежность и масштабируемость сложных ИИ-решений в реальных бизнес-задачах. Hacker News · Оркестрация агентов Обзор архитектур самообучающихся агентных систем Исследователи представили систематический обзор архитектур самообучающихся ИИ-агентов, способных к автономному совершенствованию своих навыков. Работа классифицирует методы улучшения производительности, включая оптимизацию промптов, дообучение моделей и настройку стратегий планирования. Авторы анализируют, как агенты используют обратную связь от среды для итеративного повышения точности выполнения сложных задач без участия человека.

← Все материалы